PLANEAMIENTO Y CONTROL

DE LA PRODUCCION
PRONOSTICOS BASADOS EN SERIES DE
TIEMPO
METODO EMPIRICO O DEL LTIMO VALOR

---------------------------------------------------------------------------------

t Yt Yt+1 et
---------------------------------------------------------------------------------
1 200
2 260 200 60
3 280 260 20
4 224 280 - 56
5 220 224 - 4
6 240 220 20
7 240
---------------------------------------------------------------------------------
METODO DEL PROMEDIO SIMPLE

---------------------------------------------------------------------------------

t Yt Yt+1 et
---------------------------------------------------------------------------------
1 200
2 260 200.00 60.00
3 280 230.00 50.00
4 224 246.67 - 22.67
5 220 241.00 - 21.00
6 240 236.80 3.20
7 237.33
---------------------------------------------------------------------------------
METODO DEL PROMEDIO MOVIL SIMPLE

---------------------------------------------------------------------------------

t Yt PROMEDIO MOVIL
n=3 n=4
---------------------------------------------------------------------------------
1 200
2 260 .
3 280
4 224 246.67
5 220 254.67 241
6 240 241.33 246
7 228.00 241
---------------------------------------------------------------------------------
METODO DE SUAVIZAMIENTO EXPONENCIAL

t+1 = Yt + (1- ) t-1

---------------------------------------------------------------------------------

t Yt =0.1 =0.5
---------------------------------------------------------------------------------
1 200
2 260 200 200
3 280 206 230
4 224 213.4 255
5 220 214.46 239.5
6 240 215.01 229.75
7 217.51 234.88
---------------------------------------------------------------------------------
 Medicin del error en el pronstico

El error correspondiente a cualquier pronstico es la

diferencia entre el valor observado en la serie de tiempo y el
pronstico.

La mayora de los mtodos implica promediar alguna funcin

del error.

El error de pronstico puede ser positivo o negativo

dependiendo si el pronstico es demasiado alto o demasiado
bajo.

Una medida de la precisin de los pronsticos es la suma de

los errores.
 Medicin del error en el pronstico

Yt valor de una serie de tiempo en el periodo t

Y valor del pronstico para Y
t t

Error del pronstico o residual :

e Y Y
t t t
 Medicin del error en el pronstico

El problema es que si se suman los errores al ser unos

positivos y otros negativos se cancelarn.

Puede evitarse esto tomando los valores absolutos o

elevando al cuadrado cada uno de los errores, antes de
sumarlos y promediarlos.

Algunos mtodos son:

Desviacin media absoluta
n

Y Y
t t
MAD t 1
n
Medicin del error en el pronstico
Error medio cuadrado :

Y
n
2
t Yt
EMC t 1
n
Este mtodo penaliza los errores mayores ya que eleva cada
uno al cuadrado.

Se usa en casos que se prefiere una tcnica que produzca

errores moderados a otra que generalmente tenga errores
pequeos pero ocasionalmente arroje algunos muy grandes.
Medicin del error en el pronstico
En ocasiones es ms til calcular los errores en porcentajes
y no en cantidades.

El error porcentual medio absoluto (MAPE) se calcula

encontrando el error absoluto en cada periodo, dividiendo
ste entre el valor real observado para ese periodo y
despus promediando estos errores absolutos de
porcentaje.

Et 100 / Yt
n

MAPE t 1
n
Medicin del error en el pronstico
El MAPE indica qu tan grande son los errores comparados
con los valores reales de la serie.

Se puede utilizar el MAPE para comparar la precisin de la

misma u otra tcnica sobre dos series completamente
diferentes.

A veces resulta necesario determinar si un mtodo de

pronstico est sesgado (pronstico consistentemente alto o
bajo).

Para esto se utiliza el porcentaje medio de error (PME).

Medicin del error en el pronstico
El PME se calcula encontrando el error en cada periodo,
dividiendo ste entre el valor real de ese periodo y
promediando despus estos porcentajes de error.

n
Y Y
t

t 1 Yt
PME
n
Si un mtodo de pronstico no est sesgado el PME dar un
porcentaje cercano a cero.
Medicin del error en el pronstico
Si el resultado es un porcentaje negativo grande el mtodo de
pronstico est sobrestimando en forma consistente.

Si el resultado es un porcentaje positivo grande el mtodo de

pronstico est subestimando en forma consistente.

Es realista esperar que una tcnica produzca errores

relativamente pequeos.

Las mediciones de precisin de un pronstico se podran

utilizar para buscar una tcnica ptima.
Medicin del error en el pronstico
La tabla siguiente muestra el n de clientes diarios que
requieren trabajos de reparacin y un pronstico de estos
datos.

La tcnica de pronstico utiliza el n de clientes atendidos en

el periodo anterior como el pronstico del periodo actual.
Medicin del error en el pronstico
Periodo Datos Pronstico Error
(t) Yt Yt Yt Yt
1 58 - -
2 54 58 -4
3 60 54 6
4 55 60 -5
5 62 55 7
6 62 62 0
7 65 62 3
8 63 65 -2
9 70 63 7
Total 12
Medicin del error en el pronstico
MAD = 4,3
EMC = 23.5
MAPE = 6,95%
PME = 2,03%
Estas mediciones se vuelven ms dignas de confianza a medida que
aumenta el nmero de periodos de datos
El MAD indica que cada pronstico est desviado en un promedio
de 4.3 clientes en valor absoluto.
El EMC y el MAPE se compararn con cualquier otro mtodo de
pronstico.
Un MAPE de 6.95% indica que, en promedio, el error de pronstico
fue de mas o menos el 7% de la demanda real observada.
El PME indica que la tcnica no est desviada ya que su valor es
cercana a cero.
 Ejemplo de determinacin del MAPE
Mes Demanda Pronstico Error Cuadrado Error Error porcentual
t Yt t Et del error absoluto Absoluto
Et2 Et Et /Yt

1 400 450 -50 2500 50 12.5%

2 480 440 40 1600 40 8.3%
3 600 570 30 900 30 5.0%
4 540 580 -40 1600 40 7.4%
5 460 500 -40 1600 40 8.7%
6 520 480 40 1600 40 7.7%
7 420 500 -80 6400 80 19.0%
8 550 480 70 4900 70 12.7%
TOTAL -30 21,100 390 81.3%
Medicin del error en el pronstico

Uno de los requerimientos bsicos de una tcnica de

pronstico es que de un patrn de residuos que sea aleatorio.

Esto se puede probar mediante un correlograma de los

residuos.

Otro requerimiento es que los residuos tengan una

distribucin aproximadamente normal.

Esto se puede probar mediante un histograma de los

residuos.
METODO DE SUAVIZACION EXPONENCIAL AJUSTADA A LA TENDENCIA
En este enfoque, las estimaciones para el promedio y la tendencia son suavizadas, para lo
cual requieren dos constantes de suavizacin ( y ):
At = (demanda en este periodo) + (1- )(Promedio + estimacin de la tendencia en el ltimo
periodo).
At = Dt +(1- )(At-1 + T t-1 )

Tt = (promedio de este periodo promedio del ltimo periodo) + (1- )(estimacin de la

tendencia en el ltimo periodo).

Tt = (At At+1)+ (1- )T t-1

Pt+1 = At + Tt
At = Remedios exponencialmente suavizado de la serie en el periodo t
Tt = Promedio exponencialmente suavizado de la tendencia en el periodo t
= Parmetro de suavizacin para el promedio, con valor entre 0 y 1
= Parmetro de suavizacin para la tendencia, con un valor entre 0 y 1

Pt+1 = Pronstico para el period (t + 1)

 PROBLEMA

La demanda de uno de los cereales favoritos para el desayuno

entre las personas nacidas en la dcada de 1940, est en una
etapa de decadencia. La compaa desea vigilar cuidadosamente
la demanda que tiene, este producto ahora que se aproxima el
final de su ciclo de vida. Se ha utilizado el mtodo de
suavizacin exponencial ajustada a la tendencia con =0.1 y
=0.2. Al final de diciembre, la estimacin de enero para el
numero promedio de cajas vendidas cada mes (At) fue de
450,000 y la tendencia (Tt) fue de 25,000 cajas por mes. La
tabla siguiente nos muestra la historia de las ventas reales de
enero, febrero y marzo. Genere usted los pronsticos para
febrero, marzo y abril.
MES VENTAS
Enero 445,000
Febrero 400,000
Marzo 412,500
METODOS CAUSALES
Los mtodos CAUSALES se emplean cuando se dispone de
datos histricos y la relacin entre el factor que se intenta
pronosticar y otros factores internos y externos; estas relaciones
se expresan en trminos matemticos y suelen ser muy
complejos. Los mtodos causales proveen instrumentos ms
refinados y son excelentes para prever los puntos de flexin de
la demanda.
Uno de los modelos mas utilizados es la REGRESION
LINEAL.
En la regresin lineal una variable, conocida como variable
dependiente, esta relacionada con una o ms variables
independientes por medio de una ecuacin lineal.

Y=a+bX
Donde:
Y = variable dependiente
X = variable independiente
a = interseccin de la recta con el eje Y
b = pendiente de la recta
 Mtodo de mnimos cuadrados

Observacin Desviacin
Valores de la variable dependiente

real

Desviacin Desviacin

Desviacin
Desviacin
Punto en la
lnea de
Desviacin
tendencia
Desviacin

Y a bx
Periodo de tiempo X
 Demanda real y lnea deTendencia
Y
180
160
Y = 56,70+ 10,54X
140
120
Demanda

100
80
60 Demanda real
40
20
0
0 2 4 6 8 1 X
0
Periodo de tiempo
 Anlisis de Regresin Lineal
Se usa para prever la lnea de tendencia.
Supone una relacin entre la variable de respuesta,
Y, y el periodo de tiempo, X, que es una funcin
lineal:

Y=a+bX

Se calcula mediante el mtodo de los mnimos

cuadrados:
Minimiza la suma de errores cuadrados.
Modelos de anlisis de Regresin Lineal

Yi a bXi
Y
b>0
a

b<0

a
Tiempo, X
 Diagrama de Dispersin

Ventas
Ventas frente a tiempo
4
3
2
1
0
99 00 01 02 03

Periodo de tiempo
 Ecuaciones de mnimos cuadrados
Los mnimos cuadrados da la ecuacin de la recta, para lo cual la
suma delos cuadrados de las distancias verticales entre los valores
reales y los valores de la recta es un mnimo.
Emplearemos las dos ecuaciones normales para determinar los
coeficientes a y b:
= + b
= +

Ecuacin: Yi a bXi

n
Pendiente: b = ------------------------------
n - 2

Corte con el eje Y: a y bx

 Ejemplo
ALFA SAC ha estado produciendo durante cinco aos
herramientas especiales manuales para clavar. La planta a
operado casi a su capacidad durante los ltimos dos aos.
Se necesitan pronsticos para programar la produccin del
prximo ao y para suministrar estimaciones a fin de planear la
expansin futura de los medios de produccin. Se ha tabulado
los registros de ventas para los 5 aos, en trimestres como se
indica a continuacin:
Ventas trimestrales (expresadas en miles de unidades o S/.)

AO 2012 2013 2014 2015 2016

TRIM 1 190 280 270 300 320

TRIM 2 370 420 360 430 440
TRIM 3 300 310 280 290 320
TRIM 4 220 180 190 200 220
Regresin Curvilnea
Algunas veces una curva suave suministra un mejor
ajuste para los datos que una lnea recta.
Una curva suave implica un crecimiento o
disminucin porcentual uniforme en lugar del
incremento o decremento constante dados por una
recta.
La ecuacin para una curva puede tomar la forma
exponencial:

Y = abX
Podemos determinar los valores para a y b por
medio de los mnimos cuadrados si convertimos
la ecuacin exponencial a su forma logartmica:

Log Y = Log a + X Log b

Las ecuaciones a utilizar son:

= +

= +